1.使用DataSAIL進行數(shù)據(jù)分割以避免信息泄露

Data splitting to avoid information leakage with DataSAIL

（1）介紹：研究者開發(fā)了DataSAIL這一通用Python工具，將泄漏最小化的數(shù)據(jù)分割問題轉(zhuǎn)為組合優(yōu)化任務(wù)，通過聚類和整數(shù)線性規(guī)劃（ILP）的啟發(fā)式方法，生成訓(xùn)練、驗證和測試集，確保數(shù)據(jù)點間相似性最小化，同時保持類別分布平衡，從而更真實地評估模型在未知數(shù)據(jù)上的性能。

（2）結(jié)果：文章通過理論證明和實驗驗證表明，DataSAIL能顯著降低數(shù)據(jù)分割中的信息泄漏，提升模型評估的可靠性。其核心貢獻包括：1）將數(shù)據(jù)分割問題建模為NP難的(k, R, C)-DataSAIL優(yōu)化問題，提出基于聚類和ILP的高效解法；2）支持一維（如分子屬性預(yù)測）和二維（如藥物-靶點交互）數(shù)據(jù)分割，并兼容分層需求；3）在多個生物醫(yī)學(xué)數(shù)據(jù)集（如QM8、Tox21）上的實驗顯示，DataSAIL分割相比隨機分割和其他工具（如DeepChem、LoHi）顯著降低泄漏指標L(π)，并導(dǎo)致模型測試性能更接近真實OOD場景。

2.生物醫(yī)學(xué)機器學(xué)習(xí)的基準危機

A benchmarking crisis in biomedical machine learning

（1）介紹：本文旨在揭示生物醫(yī)學(xué)機器學(xué)習(xí)領(lǐng)域因缺乏標準化基準、統(tǒng)一性能評估指標和透明驗證協(xié)議而面臨的危機，并強調(diào)這一危機對科學(xué)進步和臨床轉(zhuǎn)化的阻礙。

（2）結(jié)果：作者提出，解決這一危機需要多方協(xié)作的標準化舉措，包括：1）由行業(yè)聯(lián)盟主導(dǎo)整合和規(guī)范生物醫(yī)學(xué)基準數(shù)據(jù)集，統(tǒng)一數(shù)據(jù)預(yù)處理流程，減少評估偏差；2）平衡專有數(shù)據(jù)與公共數(shù)據(jù)的利用，通過定期對比不同專有訓(xùn)練集和疾病場景，激勵數(shù)據(jù)多樣性，提升模型泛化性；3）構(gòu)建與臨床或生物學(xué)實際意義掛鉤的評估框架，超越傳統(tǒng)準確性指標，納入安全性、倫理合規(guī)性等維度，并早期引入監(jiān)管機構(gòu)參與基準設(shè)計以加速臨床轉(zhuǎn)化。

 3.開發(fā)并驗證加州兩大醫(yī)療系統(tǒng)中結(jié)核病識別預(yù)測算法

Development and validation of prediction algorithm to identify tuberculosis in two large California health systems

（1）介紹：該研究旨在解決加州潛伏性結(jié)核感染（LTBI）篩查的不足問題，作者開發(fā)了一種基于EHR數(shù)據(jù)的結(jié)核病風(fēng)險預(yù)測模型，以提高篩查效率。研究通過比較新模型與當(dāng)前實際篩查實踐（如隨機篩查或基于不完整風(fēng)險因素的篩查）以及理想化的基于EHR的加州公共衛(wèi)生部（CDPH）指南篩查，驗證新模型是否能更精準地識別高風(fēng)險人群，從而減少需篩查人數(shù)并提高檢出率。

（2）結(jié)果：研究開發(fā)的結(jié)核病風(fēng)險預(yù)測模型在內(nèi)部（KPSC）和外部（KPNC）驗證中表現(xiàn)出色，C統(tǒng)計值分別為0.816和0.817，顯示較高的區(qū)分能力。與現(xiàn)有篩查相比，模型在相同篩查比例下顯著提升敏感性：例如，篩查5.2%的高風(fēng)險人群時，敏感性從實際篩查的4.9%提升至35%，需篩查人數(shù)（NNS）從3222人/病例降至361人/病例。模擬結(jié)果顯示，即使考慮現(xiàn)有篩查可能預(yù)防的病例，模型仍保持優(yōu)勢。此外，模型在覆蓋30%人群時（接近理想化CDPH篩查比例）敏感性達76-81%，優(yōu)于理想化篩查的73-79%。

4.使用電子健康記錄預(yù)測先兆子癇從診斷到分娩的間隔

Predicting interval from diagnosis to delivery in preeclampsia using electronic health records

（1）介紹：該研究旨在開發(fā)并驗證一種基于深度學(xué)習(xí)的生存分析模型（PEDeliveryTime），利用電子健康記錄（EHR）數(shù)據(jù)預(yù)測先兆子癇（PE）患者從診斷到分娩的時間間隔，以輔助臨床決策。

（2）結(jié)果：研究成功開發(fā)了PEDeliveryTime模型，在密歇根大學(xué)（內(nèi)部）和佛羅里達大學(xué)（外部）數(shù)據(jù)集上分別達到C-index 0.79和0.74，EOPE子集模型表現(xiàn)稍低但仍有臨床價值（C-index 0.76和0.67）。模型篩選出12個關(guān)鍵特征，包括診斷孕周（最重要預(yù)測因子）、嚴重先兆子癇（sPE）、實驗室指標（AST、肌酐）、生命體征變異（舒張壓標準差）及病史（既往PE史）。這些特征與縮短或延長分娩時間顯著相關(guān)，例如高AST值和血壓波動提示更早分娩。研究進一步開發(fā)了用戶友好的網(wǎng)絡(luò)應(yīng)用程序，支持臨床實時預(yù)測。外部驗證證實模型泛化能力，且性能優(yōu)于現(xiàn)有風(fēng)險評分工具（如fullPIERS的C-index僅0.50）。